With increasing popularity of related applications of mobile crowdsensing, especially in the field of Internet of Vehicles (IoV), task allocation has attracted wide attention. How to select appropriate participants is a key problem in vehicle-based crowdsensing networks. Some traditional methods choose participants based on minimizing distance, which requires participants to submit their current locations. In this case, participants’ location privacy is violated, which influences disclosure of participants’ sensitive information. Many privacy preserving task allocation mechanisms have been proposed to encourage users to participate in mobile crowdsensing. However, most of them assume that different participants’ task completion quality is the same, which is not reasonable in reality. In this paper, we propose an optimal location privacy preserving and service quality guaranteed task allocation in vehicle-based crowdsensing networks. Specifically, we utilize differential privacy to preserve participants’ location privacy, where every participant can submit the obfuscated location to the platform instead of the real one. Based on the obfuscated locations, we design an optimal problem to minimize the moving distance and maximize the task completion quality simultaneously. In order to solve this problem, we decompose it into two linear optimization problems. We conduct extensive experiments to demonstrate the effectiveness of our proposed mechanism.

中文翻译：

---

基于车辆的人群感知网络中的最佳位置隐私保护和服务质量保证任务分配

随着移动人群感知相关应用的日益普及，特别是在车联网（IoV）领域，任务分配引起了广泛关注。如何选择合适的参与者是基于车辆的人群感知网络中的关键问题。一些传统方法基于最小距离来选择参与者，这需要参与者提交他们当前的位置。在这种情况下，参与者的位置隐私受到侵犯，影响参与者敏感信息的披露。已经提出了许多隐私保护任务分配机制来鼓励用户参与移动人群感知。然而，他们大多假设不同参与者的任务完成质量是相同的，这在现实中是不合理的。在本文中，我们提出了在基于车辆的人群感知网络中的最佳位置隐私保护和服务质量保证任务分配。具体来说，我们利用差分隐私来保护参与者的位置隐私，每个参与者都可以将混淆的位置而不是真实位置提交给平台。基于混淆的位置，我们设计了一个优化问题，以同时最小化移动距离和最大化任务完成质量。为了解决这个问题，我们将其分解为两个线性优化问题。我们进行了广泛的实验来证明我们提出的机制的有效性。每个参与者都可以将混淆的位置而不是真实位置提交给平台。基于混淆的位置，我们设计了一个优化问题，以同时最小化移动距离和最大化任务完成质量。为了解决这个问题，我们将其分解为两个线性优化问题。我们进行了广泛的实验来证明我们提出的机制的有效性。每个参与者都可以将混淆的位置而不是真实位置提交给平台。基于混淆的位置，我们设计了一个优化问题，以同时最小化移动距离和最大化任务完成质量。为了解决这个问题，我们将其分解为两个线性优化问题。我们进行了广泛的实验来证明我们提出的机制的有效性。